斯特林公式

斯特林公式（Stirling's formula），又称斯特林近似，是数学分析中用于近似计算阶乘与伽马函数的经典渐近公式，由苏格兰数学家詹姆斯·斯特林（James Stirling）在1730年发表，后经棣莫弗（De Moivre）完善。其标准形式为：当 $n \to \infty$ 时，$n! \sim \sqrt{2\pi n}\left(\frac{n}{e}\right)^n$。该公式将离散的阶乘运算与连续函数的指数和对数运算联系起来，不仅极大地简化了大数阶乘的计算——例如 $100! \approx 9.33 \times 10^{157}$ 瞬间可估——更在概率论、统计力学、组合数学和渐近分析等多个基础学科中扮演着不可或缺的角色。斯特林公式被誉为数学中最优美的渐近公式之一，其简洁形式中同时出现了圆周率 $\pi$ 和自然常数 $e$ 这两个最重要的数学常数，体现了数学内在的和谐与统一。

数学表述与推导

斯特林公式的完整形式包含一个渐近级数展开。最基本的近似为 $n! \approx \sqrt{2\pi n} (n/e)^n$，其相对误差随 $n$ 增大而趋近于零。更精确的表述为：$n! = \sqrt{2\pi n}\left(\frac{n}{e}\right)^n e^{\theta_n/(12n)}$，其中 $0 < \theta_n < 1$。这意味着对于任意正整数 $n$，真实的阶乘值与斯特林近似值之间有一个可控的误差范围，误差的上界为 $\frac{1}{12n}$ 的指数函数。斯特林公式的推导通常借助伽马函数 $\Gamma(n+1) = n!$ 的积分表示，通过拉普拉斯方法或鞍点法对积分进行渐近展开得到。在数学分析课程中，另一种常见的推导路径是利用欧拉-麦克劳林求和公式，将对数阶乘 $\ln(n!) = \sum_{k=1}^n \ln k$ 近似为积分 $\int_1^n \ln x \, dx$ 加上修正项，同样可以得到 $\ln(n!) = n\ln n - n + \frac{1}{2}\ln(2\pi n) + O(1/n)$ 这一等价形式。

在概率论与统计学中的应用

斯特林公式在概率论中最重要的应用之一是对二项分布和泊松分布的渐近分析。当 $n$ 较大时，二项系数 $\binom{n}{k}$ 的计算涉及大量阶乘运算，利用斯特林公式可以将其近似为 $\frac{n^n}{\sqrt{2\pi n} \, k^k (n-k)^{n-k}}$，进而推导出棣莫弗-拉普拉斯中心极限定理——这是历史上第一个中心极限定理，也是正态分布首次出现的数学场景。在信息论中，斯特林公式用于推导熵率的渐近行为，以及证明香农编码定理中的关键不等式。在非参数统计中，排列检验和自助法（bootstrap）的计算复杂度分析同样依赖于斯特林公式对 $n!$ 增长速率的估算。此外，在贝叶斯统计中，斯特林公式被用于近似贝叶斯因子中的大数积分，是拉普拉斯近似方法的核心工具之一。在大样本理论中，斯特林公式也是推导似然比统计量渐近分布的重要辅助工具。

在统计力学中的核心地位

斯特林公式在统计力学中具有根本性的重要性。统计力学的核心任务之一是计算宏观系统的微观状态数，这一数量通常是大数的阶乘。例如，由 $N$ 个粒子组成的理想气体，其微观状态数与 $N!$ 成正比。波尔兹曼熵公式 $S = k_B \ln W$ 中的 $W$ 正是微观状态数，利用斯特林公式可以将 $\ln W$ 简化为 $N \ln N - N$ 等易于处理的解析形式，从而推导出理想气体的状态方程、自由能表达式以及麦克斯韦-玻尔兹曼分布。统计力学的整个理论框架几乎都建立在对阶乘的斯特林近似之上——没有这一近似，从微观粒子运动推导宏观热力学性质将几乎无法实现。物理学家经常使用斯特林公式的简化形式 $\ln N! \approx N\ln N - N$，这一近似在 $N$ 为阿伏伽德罗常数量级（约 $10^{23}$）时，相对误差小到可以忽略不计。

渐近精度的改进

斯特林公式的精度可以通过增加高阶修正项来持续提高。其渐近级数展开为：$\ln n! = n\ln n - n + \frac{1}{2}\ln(2\pi n) + \frac{1}{12n} - \frac{1}{360n^3} + \frac{1}{1260n^5} - \cdots$。这个级数虽然发散（对于固定的 $n$，项数过多反而会使误差增大），但在前几项处截断时能提供极高的近似精度。例如，对于 $n=10$，基本斯特林近似给出 $10! \approx 3.5987 \times 10^6$，而真实值为 $3.6288 \times 10^6$，相对误差约为 $0.83\%$；加入 $1/(12n)$ 项修正后，相对误差降至 $0.08\%$ 以下。对于 $n=100$，基本近似的相对误差约为 $0.08\%$，足以满足绝大多数工程与科学计算的需求。在实际应用中，$n=5$ 时斯特林公式的误差已不足 $2\%$，$n=20$ 时误差降至 $0.01\%$ 以下。计算机科学中，斯特林公式被直接用于算法复杂度分析中阶乘增长率的估算，例如全排列搜索算法的复杂度 $O(n!)$ 可近似为 $O(\sqrt{n}(n/e)^n)$。

历史影响与现代推广

斯特林公式自18世纪提出以来，不断被数学家推广和完善。拉普拉斯给出了更精确的误差估计形式，柯西和阿贝尔将公式推广到复数域。现代版本中，斯特林公式已被拓展为伽马函数的完全渐近展开（斯特林级数），适用于复平面上除负实轴外的所有区域。在数值计算领域，斯特林公式是对数伽马函数 $\ln\Gamma(z)$ 高效计算的理论基础，其实现被内置在几乎所有数学软件包和科学计算库中。斯特林公式还衍生出了上下界形式，例如罗宾斯不等式：$\sqrt{2\pi n}\left(\frac{n}{e}\right)^n e^{1/(12n+1)} < n! < \sqrt{2\pi n}\left(\frac{n}{e}\right)^n e^{1/(12n)}$，为阶乘提供了严格的数值界限。

总结

斯特林公式是数学分析中最具影响力的渐近结果之一。它以简洁优美的形式揭示了阶乘与指数函数、圆周率之间的深层联系，为概率论、统计力学、信息论和组合数学等众多学科提供了不可或缺的分析工具。从二项分布的正态近似到理想气体的熵计算，从算法复杂度分析到贝叶斯统计推断，斯特林公式的影响力遍及数学与科学的各个角落。理解并灵活运用斯特林公式，是学习高等概率论、统计物理和渐近分析的基本素养。